在python中，如何使用np数组高效地处理多维数据？_Python_Numpy

在python中，如何使用np数组高效地处理多维数据？

python numpy

在python中，如何使用np数组高效地处理多维数据？,python,numpy,Python,Numpy,我在数据集中有数万张32 X 32 RGB图像。例如 X_系列，形状（123123,32,32,3）我想灰显rgb，并将形状更改为（123123,32,32,1）我这里有代码，这是非常不够的，我想知道什么是最好的方式来做这件事。我在AWS G2或P2主机上，所以我有GPU 谢谢 def grayedOut(x) : out = [] for n in range(len(x)) : nv = [] for i in range(len(x[n

我在数据集中有数万张32 X 32 RGB图像。例如

X_系列，形状（123123,32,32,3）

我想灰显rgb，并将形状更改为（123123,32,32,1）

我这里有代码，这是非常不够的，我想知道什么是最好的方式来做这件事。我在AWS G2或P2主机上，所以我有GPU

谢谢

def grayedOut(x) :
    out = []

    for n in range(len(x)) :
        nv = []
        for i in range(len(x[n])) :
            iv = []
            for j in range(len(x[n,i])) :
                r,g,b = x[n,i,j,0], x[n,i,j,1], x[n, i,j,2]
                gray = np.uint8(0.2989 * r + 0.5870 * g + 0.1140 * b)

                iv.append(np.asarray([gray]))
            nv.append(iv)
        out.append(nv)
    return np.asarray(out)

假设

images

是所有RGB图像的数组。然后，以下代码生成灰度图像数组：

coeffs = np.array([0.2989, 0.5870, 0.1140])
gray = np.apply_along_axis(coeffs.dot, 3, images).astype(np.uint8)

我希望此代码比您的三重循环快。

假设

图像

是您的所有RGB图像数组。然后，以下代码生成灰度图像数组：

coeffs = np.array([0.2989, 0.5870, 0.1140])
gray = np.apply_along_axis(coeffs.dot, 3, images).astype(np.uint8)

我希望此代码比您的三重循环快。

您只需编写

def grayedOut(x):
    return x.dot([0.2989, 0.5870, 0.1140])[..., np.newaxis].astype(np.uint8)

```
x.dot（[0.2989,0.5870,0.1140]）
```
：计算每个像素的灰度分量。生成的形状将是
```
（123123,32,32）
```
```
[…，np.newaxis]
```
：为结果创建一个新轴，给出所需的形状
```
（123123，32，32，1）
```
```
.astype（np.uint8）
```
：将数据类型转换为uint8

def grayedOut(x):
    return x.dot([0.2989, 0.5870, 0.1140])[..., np.newaxis].astype(np.uint8)

```
x.dot（[0.2989,0.5870,0.1140]）
```
：计算每个像素的灰度分量。生成的形状将是
```
（123123,32,32）
```
```
[…，np.newaxis]
```
：为结果创建一个新轴，给出所需的形状
```
（123123，32，32，1）
```
```
.astype（np.uint8）
```
：将数据类型转换为uint8